Coursera

Introduction

Read the Official Description

המשימה שלנו

קורסרה היא פלטפורמת חינוך ששותפים עם אוניברסיטאות מובילות וארגונים ברחבי העולם, להציע קורסים מקוונים לאף אחד לקחת, בחינם.

אנחנו מדמיינים עתיד שבו יש לכולם גישה לחינוך ברמה עולמית. אנו שואפים להעצים אנשים עם חינוך שישפרו את חייהם, את חייהם של בני משפחותיהם, וקהילות שהם חיים ב.

איך זה עובד

גלה קורס ולהירשם היום

בחר מתוך 400 + קורסים שנוצרו על ידי מוסדות החינוך המובילים בעולם.

מידע על לוח הזמנים שלך

צפה בהרצאות וידאו קצרות, לקחת חידונים אינטראקטיביים, הערכות נבדקות על ידי עמיתים שלמים, ולהתחבר עם חברים לכיתה ומורים.

להשיג את המטרות שלך

לסיים הכיתה שלך ולזכות בהכרה להישג שלך.

הגישה שלנו

ניסיון קורסרה

זה פשוט. אנחנו רוצים לעזור לתלמידים ללמוד טובים יותר - ומהיר יותר. זו הסיבה לכך שעובדים אצלנו בפלטפורמה שלנו מבוסס על שיטות הוראה מוכחות מאומתות על ידי מיטב חוקרים. הנה 4 רעיונות מרכזיים שהיו בעלי השפעה בעיצוב החזון שלנו:

אפקטיביות של למידה מקוונת

למידה מקוונת משחקת תפקיד משמעותי בחינוך לכל החיים. למעשה, לאחרונה דווח על ידי משרד חינוך האמריקאי מצא כי "שיעורים עם למידה מקוונת (אם לימדו באינטרנט או מעורבב לגמרי) בממוצע לייצר תוצרי למידה של תלמידים חזקים יותר לעשות שיעורים עם אך ורק פנים אל פנים הוראה."

למידת שליטה

בהתבסס על גישה שפותחה על ידי פסיכולוג חינוכי, בנימין בלום, השליטה הלמידה מסייעת לתלמידים להבין את נושא באופן מלא לפני שעברו על נושא מתקדם יותר. על קורסרה, אנחנו בדרך כלל נותנים משוב מיידי על מושג תלמיד לא הבין. במקרים רבים, אנו מספקים גרסאות אקראיות של המשימה כל כך תלמיד יכול מחדש מחקר ולנסות שוב את שיעורי הבית.

הערכות עמיתים

בקורסים רבים, לא יכולות להיות מדורגות המשימות החשובות ביותר הייתה בקלות על ידי מחשב. זו הסיבה שאנו משתמשים בהערכות עמיתים, שבו תלמידים יכולים להעריך ולספק משוב על עבודתו של זה. טכניקה זו הוכחה במחקרים רבים לגרום למשוב מדויק לתלמיד וניסיון למידה יקר של הילד בכיתה.

למידה מעורבת

רבים ממוסדות השותפים שלנו משתמשים בפלטפורמה המקוונת שלנו לספק לסטודנטים בקמפוס שלהם עם ניסיון למידה משופר. מודל מעורבב זה של למידה הראה במחקרים כדי להגדיל את מעורבות תלמידים, נוכחות וביצועים.

This school offers programs in:
  • אנגלית

צפה בקורסים »

Programs

מוסד לימודים זה גם מציע:

קורס

קורס למידת מכונה (ביניים)

מקוונים תכנית חלקית 8 חודשים הרשמה פתוחה ארצות הברית ארה"ב באינטרנט

התמחות זו מספקת מבוא מבוסס לגופו לשדה המרגש, גבוהה פי דרישה של למידת מכונה. תלמד לנתח מערכי נתונים גדולים ומורכבים, לבנות יישומים שיכולים לבצע תחזיות מנתונים, וליצור מערכות להתאים ולשפר לאורך זמן. [+]

התמחות זו מספקת מבוא מבוסס לגופו לשדה המרגש, גבוהה פי דרישה של למידת מכונה. תלמד לנתח מערכי נתונים גדולים ומורכבים, לבנות יישומים שיכולים לבצע תחזיות מנתונים, וליצור מערכות להתאים ולשפר לאורך זמן. בפרויקט אבן הראשה הסופי, תקבל להחיל את היכולות שלך כדי לפתור בעיה מקורית, בעולם אמיתי באמצעות יישום האלגוריתמים של למידה חישובית. קורסים יסוד לומדים: גישת מקרה האם יש לך נתונים ותוהים מה הוא יכול להגיד לך? אתה צריך הבנה עמוקה יותר של דרכי הליבה שבו למידת מכונה יכול לשפר את העסק שלך? האם אתה רוצה להיות מסוגל לשוחח עם מומחים על כל דבר מרגרסיה וסיווג למערכות למידה ממליצה עמוקות? בקורס זה, אתה תקבל התנסות עם למידת מכונה מתוך סדרה של מקרי מבחן מעשי. בסוף הקורס הראשון תוכל חקור כיצד לחזות מחירי הבתים באמצעות תווי בית-רמה, לניתוח רגשות מביקורות משתמשים, לאחזר מסמכים של עניין, להמליץ ​​על מוצרים, ולחפש תמונות. באמצעות הידיים על פרקטיקה עם תרחישי שימוש אלה, תוכל ליישם שיטות לימוד מכונה במגוון רחב של תחומים. קורס ראשון זה מסדיר את שיטת הלימוד מכונה כמו קופסא שחורה. שימוש זה מופשט, תוכל להתמקד בהבנת משימות של עניין, התאמת המשימות הללו לכלי למידת מכונה, והערכת איכות הפלט. בקורסים הבאים, תוכלו להתעמק מרכיבי קופסה שחורה זה על ידי בחינת מודלים ואלגוריתמים. יחד, חתיכות אלה יוצרים את צינור למידת מכונה, אשר ישתמש בפיתוח יישומים אינטליגנטיים. לימוד תוצאות: עד סוף הקורס הזה, אתה תהיה מסוגל: - זהה יישומים פוטנציאליים של למידה מכונה בפועל. - תאר את הבדלי ליבה בניתוחים מופעלים על ידי רגרסיה, סיווג, אשכולות. - בחר את משימת למידת מכונה המתאימה עבור יישום פוטנציאל. - החל רגרסיה, סיווג, אשכולות, תחזור מערכות ממליצות, ולמידה עמוקה. - לייצג את הנתונים שלך כמו תכונות לשמש כקלט מודלים ללמידה חישובית. - להעריך את איכות המודל במונחים של ערכי שגיאה רלוונטיים לכל משימה. - לנצל מערך נתונים כדי להתאים מודל לנתח נתונים חדשים. - בניית יישום מקצה לקצה המשתמש למידה מכונה במרכזו. - ליישם את הטכניקות האלו בפייתון. לומד: רגרסיה מקרה - חיזוי מחירי הדיור במחקר המקרה הראשון שלנו, לחיזוי מחירי הבית, תוכלו ליצור מודלים המנבאים ערך רציף (מחיר) מן התכונות קלט (מדה מרובע, מספר חדרי שינה וחדרי אמבטיה, ...). זהו רק אחד של מקומות רבים בהם ניתן ליישם רגרסיה. יישומים אחרים נעים בין תוצאות בריאותיות לניבוי ברפואה, מחירי המניות בתחום פיננסים, וצריכת החשמל ב מחשוב עתיר ביצועים, כדי ניתוח אשר רגולטורים חשובים ביטוי גנים. בקורס זה, תוכל לחקור מודלים של רגרסיה ליניארית הסדירו למשימה של חיזוי בחירת תכונה. אתה תהיה מסוגל להתמודד עם קבוצות גדולות מאוד של תכונות ובחרו בין המודלים של מורכבות שונות. כמו כן, תוכל לנתח את ההשפעה של היבטים של הנתונים שלך - כגון חריגים - בדגמים הנבחרים שלך ותחזיות. כדי להתאים מודלים אלה, תוכל ליישם אלגוריתמים לאופטימיזציה סולם כדי מערכי נתונים גדולים. לימוד התוצאות: עד סוף הקורס הזה, אתה תהיה מסוגל: - תאר את הקלט והפלט של מודל רגרסיה. - השווה לעומת הטיה ושונה כאשר נתוני דוגמנות. - פרמטרי מודל הערכה באמצעות אלגוריתמים אופטימיזציה. - פרמטרים Tune עם אימות צלב. - לנתח את הביצועים של המודל. - תאר את הרעיון של דְלִילוּת ואיך מוביל LASSO לפתרונות דלילים. - פרוס שיטות כדי לבחור בין הדגמים. - לנצל את המודל כדי ליצור תחזיות. - בניית מודל רגרסיה לחזות מחירים באמצעות בסיס נתוני דיור. - ליישם את הטכניקות האלו בפייתון. לומד: סיווג סיפורי לקוחות: ניתוח חיזוי ברירת סנטימנט & הלוואה במחקר בענייננו על ניתוח סנטימנט, תוכל ליצור מודלים מנבאים ייצוגי (הסנטימנט חיובי / שלילי) מן תכונות קלט (נוסח חוות הדעת, מידע פרופיל משתמש, ...). במחקר המקרה השני שלנו עבור קורס זה, חיזוי ברירת מחדל הלוואה, תוכל להתמודד עם נתונים פיננסיים, ולחזות כאשר הלוואה עשויה להיות מסוכן או בטוח עבור הבנק. משימות אלה מהווים דוגמאות של סיווג, אחד האזורים הנפוצים ביותר של למידה חישובית, עם מגוון רחב של יישומים, כולל מיקוד מודעה לזיהוי דואר זבל, אבחנה רפואית וסיווג התמונה. בקורס זה, אתה תיצור מסווגים המספקים המדינה- of-the-art ביצועים על מגוון משימות. תוכל להכיר את הטכניקות המוצלחות ביותר, אשר רוב נמצא בשימוש נרחב בפועל, כוללים רגרסיה לוגיסטית, עצי החלטות, וגברת. בנוסף, תוכל לעצב וליישם באלגוריתמים הפנימיים שיכול ללמוד מודלים אלה בקנה המידה, באמצעות עליית שיפוע סטוכסטיים. תוכלו ליישם טכניקה אלה במשימות למידת מכונה בעולם האמיתי, בקנה מידה גדול. כמו כן, תוכל להתמודד עם משימות משמעותיות תוכל להתמודד ב יישומים בעולם האמיתי של ML, כולל טיפול נתונים חסרי ומדידת דיוק ולהיזכר להעריך מסווג. קורס זה הוא על הידיים, גדוש ומלא חזותיים ואיורים של כמה טכניקות אלו יתנהג על נתונים אמיתיים. צירפנו גם תוכן אופציונלי בכל מודול, המכסים נושאים מתקדמים עבור אלה שרוצים ללכת עוד יותר! יעדי הלימוד: עד סוף הקורס הזה, אתה תהיה מסוגל: - תאר את הקלט והפלט של מודל סיווג. - למדינתו שני בעיות סיווג בינארי multiclass. - יישום מודל רגרסיה לוגיסטית לסיווג בקנה מידה גדול. - יצירת מודל שאינו ליניארי באמצעות עצי החלטה. - לשפר את הביצועים של כל מודל באמצעות הגברת. - רחבת השיטות שלך עם עליית שיפוע סטוכסטיים. - תאר את גבולות ההחלטה הבסיסית. - בניית מודל סיווג לחזות הסנטימנט במערך ביקורת מוצר. - ניתוח נתונים פיננסיים לחזות בפירעון הלוואות. - טכניקות שימוש לטיפול נתונים חסרים. - הערכת המודלים שלך באמצעות מדדים-זוכר דיוק. - ליישם את הטכניקות האלו בפייתון (או בשפה של הבחירה שלך, למרות פיתון מומלץ מאוד). לומד: Clustering & תחזור סיפורי לקוחות: מציאת מסמכים דומים קורא מעוניין מאמר חדשות ספציפי ואתה רוצה למצוא מאמרים דומים להמליץ. מהו הרעיון של דמיון הנכון? יתר על כן, מה אם יש מיליוני מסמכים אחרים? בכל פעם שאתה רוצה על לאחזר מסמך חדש, אתה צריך לחפש בכל המסמכים האחרים? איך אתה מסמכים דומים הקבוצה יחד? איך אתה מגלה חדשים, נושאים המתעוררים שהמסמכים לכסות? במחקר מקרה השלישי הזה, מציאת מסמכים דומים, תוכל לבחון אלגוריתמים מבוססי דמיון לשליפה. בקורס זה, אתה גם תבחן ייצוגים מובנים לתיאור המסמכים קורפוס, כוללים אשכולות ומודלי חברות מעורבים, כגון הקצאת דיריכלה סמויה (LDA). אתה תיישם מקסום ציפייה (EM) כדי ללמוד את בצירופי המסמך, ולראות איך לטפס על שיטות באמצעות MapReduce. לימוד תוצאות: עד סוף הקורס הזה, אתה תהיה מסוגל: - יצירת מערכה יחזור מסמכים באמצעות שכני k-קרובים. - גדר מדדי דמיון שונים עבור נתוני טקסט. - להפחית חישובים בחיפוש שכן k-הקרוב באמצעות KD-עצים. - הפק השכנים הקרובים ביותר המשוער באמצעות hashing רגיש יישוב. - השווה לעומת משימות למידה בפיקוח ולא מבוקרות. - מסמכים Cluster לפי נושאים באמצעות K- אמצעי. - תאר כיצד למקבל-אמצעי k באמצעות MapReduce. - לבחון גישות אשכולות הסתברותיות שימוש במודלי תערובות. - הרכב תערובת של מודל גאוס באמצעות מקסום ציפייה (EM). - בצע דוגמנות לחברות מעורבת באמצעות הקצאת דיריכלה סמויה (LDA). - תאר את השלבים של סמפלר גבס וכיצד להשתמש תפוקתו כדי להסיק מסקנות. - השוואה וטכניקות אתחול בניגוד למטרות אופטימיזציה הלא קמורות. - ליישם את הטכניקות האלו בפייתון. לומד: המלצת מערכות & ממדית הפחתה מקרה מבחן: המלצה על בחירת המוצר איך אמזון ממליץ מוצרים שאתה עשוי להיות מעוניין לרכוש? איך נטפליקס להחליט אילו סרטים או תוכניות טלוויזיה אולי כדאי לך לצפות? מה אם אתה משתמש חדש, צריך נטפליקס רק להמליץ ​​על הסרטים הפופולריים ביותר? מי עשוי ליצור קישור חדש עם בפייסבוק או LinkedIn? שאלות אלה הן אנדמיות ענפי שירותים המבוססים ביותר, והם עומדים ביסוד הרעיון של סינון שיתופי ואת המערכות הממליצים לפרוס לפתור את הבעיות הללו. במחקר במקרה הרביעי, תוכל לבחון רעיונות אלה בהקשר של המלצה על בחירת המוצר מבוסס על ביקורות של לקוחות. בקורס זה, תוכל לחקור טכניקות הפחתה ממדית למידול נתונים בממדים גבוהים. במקרה של מערכות ממליצות, הנתונים מיוצגים יחסים ידידותי מוצר, עם פוטנציאל של מיליון משתמשים מאה אלף מוצרים. אתה תיישם פרוק מטריקס ומודלים גורם סמוי למשימה של חיזוי יחסים ידידותי מוצר חדש. כמו כן, תוכל להשתמש במידע צד על מוצרים למשתמשים לשפר תחזיות. לימוד תוצאות: עד סוף הקורס הזה, אתה תהיה מסוגל: - יצירת מערכת סינון שיתופית. - להפחית ממדי של נתונים באמצעות SVD, PCA, ותחזיות אקראיות. - בצע פרוק מטריקס באמצעות לתאם ממוצא. - פרוס מודלי גורם סמויים כמערכת ממליץ. - לטפל בבעיה להתחיל הקרה שימוש במידע בצד. - לבחון יישום המלצת מוצר. - ליישם את הטכניקות האלו בפייתון. מכונת למידת אבן הראשה: יישום Intelligent עם למידה עמוקה האם אי פעם תהיתם איך הממליץ המוצר בנוי? איך אתה יכול להסיק את הסנטימנט הנסתר מן הביקורות? איך אתה יכול לחלץ מידע מתוך תמונות כדי למצוא מוצרים דומים מבחינה ויזואלית להמליץ? איך אתה בונה יישום שעושה את כל הדברים האלה בזמן אמת, ומספק חוויית משתמש חזיתי? זה מה שאתה תבנה בקורס זה! בעזרת מה שלמדת על למידה מכונה עד כה, תוכל לבנות מערכות המלצת מוצר כלליות שעושה הרבה יותר מאשר רק למצוא מוצרים דומים תוכל לשלב תמונות של מוצרים עם תיאור מוצר והסקירות שלהם כדי ליצור יישום אינטיליגנטי חדשני באמת. בטח שמעת כי Deep Learning עושה חדשות ברחבי העולם כאחת הטכניקות המבטיחות ביותר למידת מכונה, במיוחד לניתוח נתוני תמונה. עם כל תעשייה להקדיש משאבים כדי לפתוח את פוטנציאל הלמידה העמוק, להיות תחרותי, אתה רוצה להשתמש במודלים אלו משימות כגון תיוג תמונה, זיהוי אובייקט, זיהוי דיבור וניתוח טקסט. בשנת אבן הראשה זה, תוכל לבנות מודלים ללמידה עמוקים באמצעות רשתות עצביות, לבדוק מה הם, מה הם עושים, וכיצד. כדי להסיר את המכשול שהנהיג בעיצוב, הדרכה, ורשתות כוונון, כדי להיות מסוגל כדי להשיג ביצועים גבוהים עם נתונים פחות שכותרתו, תוכל גם לבנות מסווגים למידה עמוקים המותאמים המשימה הספציפית שלך באמצעות מודלים מראש מאומן, שאנו מכנים תכונות עמוקות . כמו חתיכת ליבה של פרויקט אבן הראשה זה, תוכל ליישם מודל למידה עמוק על המלצת מוצר מבוסס תמונה. לאחר מכן תוכל לשלב מודל ויזואלי זה עם תיאורי טקסט של מוצרים ומידע ביקורות לבנות יישום מרגש, מקצה לקצה חכם המספק חוויית גילוי מוצר רומן. לאחר מכן לפרוס אותו כשירות, שבו אתה יכול לחלוק עם החברים שלך לבין מעסיקים פוטנציאליים. לימוד תוצאות: עד סוף אבן הראשה זה, אתה תהיה מסוגל: - סייר נתונים של מוצרים, ביקורות ותמונות. - בניית ממליץ מוצר. - תאר כיצד מודל רשת עצבית מיוצג ואיך זה מקודד תכונות שאינו ליניארי. - מערבבים סוגים שונים של שכבות ופונקציות ההפעלה כדי להשיג ביצועים טובים יותר. - השתמש pretrained מודלים, כגון תכונות עמוקות, למשימות סיווג חדשות. - תאר כיצד ניתן ליישם מודלים אלה ראייה ממוחשבת, ניתוח טקסט זיהוי דיבור. - השתמש בתכונות חזותיות למצוא את המוצרים רוצים המשתמשים. - שלב הסנטימנט סקירה לתוך ההמלצה. - בניית יישום הקצה אל הקצה. - פרוס את זה כשירות. - ליישם את הטכניקות האלו בפייתון. [-]

Contact
כתובת מיקום
USA Online, US